摘要：2025年1月15日，北京月之暗面科技有限公司正式发布了全新多模态图片理解模型moonshot-v1-vision-preview，该模型在原有moonshot-v1系列的基础上进一步增强了多模态能力，旨在帮助Kimi更好地理解世界。该Vision模型具备卓越
欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。
新鲜AI产品点击了解:https://top.aibase.com/
1、月之暗面Kimi多模态图片理解模型 API 发布
2025年1月15日，北京月之暗面科技有限公司正式发布了全新多模态图片理解模型moonshot-v1-vision-preview，该模型在原有moonshot-v1系列的基础上进一步增强了多模态能力，旨在帮助Kimi更好地理解世界。该Vision模型具备卓越的图像识别能力，能够识别复杂细节并区分相似对象，表现出色，尤其在OCR文字识别和图像理解方面，超越传统软件的准确性。
【AiBase提要:】
🖼️ Vision模型具备强大的图像识别能力，能够准确区分复杂细节和相似对象。
📄 在OCR文字识别和图像理解方面表现优异，识别潦草手写内容的能力超越普通软件。
💬 模型支持多轮对话和工具调用等特性，使用灵活，但不支持联网搜索。
2、MiniMax开源MiniMax-01全新系列模型
MiniMax于2025年1月15日发布了其全新开源系列模型MiniMax-01，包含基础语言模型MiniMax-Text-01和视觉多模态模型MiniMax-VL-01。该系列通过创新的线性注意力机制和超大参数量，实现了高效的长文本处理，性能与国际顶尖模型相当。
【AiBase提要:】
🧠 MiniMax-01系列模型采用创新的线性注意力机制，打破传统架构局限，支持长达400万token的上下文处理。
💡 该系列模型在多项任务上追平了GPT-4o和Claude-3.5-Sonnet，尤其在长文任务中表现优异。
💰 MiniMax以业内最低价格提供文本和多模态理解API服务，标准定价为输入token1元/百万token，输出token8元/百万token。
详情链接:https://github.com/MiniMax-AI
3、周鸿祎参演 AI 短剧开拍，AI做特效、AI硬件齐上阵
360集团创始人周鸿祎宣布参与拍摄国内首部AI短剧，该剧将在西安开机，计划于春节期间上线。短剧以穿越为主题，预计60集，旨在传递正能量并避免狗血剧情。周鸿祎希望通过短剧展示AI技术，促进其在日常生活中的普及，同时推动360的纳米AI搜索产品的发展。
【AiBase提要:】
🌟 短剧将在西安开机，计划春节上线，主题为穿越，预计60集。
🤖 特效画面由纳米AI搜索生成，降低拍摄成本，提升视觉效果。
📚 旨在普及AI知识，助力每个人掌握AI技术，消除数字鸿沟。
4、阿里巴巴达摩院推出电商场景多模态大模型Valley2
阿里巴巴达摩院推出的Valley2是一款多模态大型语言模型，专为电商场景设计，旨在提升各领域的性能并拓展应用边界。该模型结合了先进的视觉编码器和创新的处理模块，展现了在多个基准测试中的卓越表现，标志着多模态语言模型的重大进展。
【AiBase提要:】
🌟 Valley2基于电商场景设计，采用Qwen2.5作为主干，结合SigLIP-384视觉编码器，提升多模态处理能力。
📊 训练过程包括文本-视觉对齐和链式思维后训练，确保模型在复杂问题解决中的高效性。
🏆 在多个公开基准测试中，Valley2表现卓越，尤其在电商领域的应用中超越同规模模型。
详情链接:https://www.modelscope.cn/models/bytedance-research/Valley-Eagle-7B
5、ChatGPT智能体来了!上线“Tasks”功能:智能处理提醒和待办事项
OpenAI最近推出了ChatGPT的新功能“任务”，允许用户安排未来的操作和提醒，使其更像传统数字助理。该功能现已向Plus、Team和Pro订阅用户推送，用户可以简单地输入任务及时间，ChatGPT将处理这些需求。尽管目前仅限于付费用户。
【AiBase提要:】
✅ 新功能“任务”允许用户安排未来的操作和提醒，提升ChatGPT的实用性。
🔔 用户可通过简单输入告知ChatGPT所需任务及时间，轻松管理日常事务。
💼 当前仅向付费用户推出，尚不明确是否会面向免费用户，预计仍将是高级功能。
6、小型文本转语音模型Kokoro-TTS，曾拿下TTS排行榜第一
Kokoro是一款新发布的语音合成模型，具有8200万参数，迅速在TTS领域崭露头角。其在Hugging Face平台上发布后，凭借仅用不到100小时的音频数据，便在排行榜上夺得第一，展现了超高的性价比。尽管目前存在声音克隆的局限性，但其训练过程的合规性和高效性为未来的发展奠定了基础。
【AiBase提要:】
🌟 Kokoro-82M 是一款新发布的语音合成模型，具有8200万参数，支持多种语音包。
🎤 该模型在 TTS 领域表现卓越，曾在排行榜上排名 第一 ，仅用不到100小时的音频数据进行训练。
📊 Kokoro 模型的训练采用了开放许可证的数据，确保合规性，但目前仍存在一些功能限制。
详情链接:https://huggingface.co/hexgrad/Kokoro-82M
7、Topview AI推全球首个支持生成手拿产品的数字人Product Avatar
Topview AI推出的“Product Avatar”数字人解决方案为电商行业带来了革命性的变化。商家只需上传产品图片，AI便能生成手持产品的数字人并进行口播讲解，极大地节省了拍摄时间和成本。该产品还支持多种语言和个性化定制，标志着电商营销进入AI驱动的新阶段。
【AiBase提要:】
🤖 AI数字人可快速生成，无需真人模特，节省时间和成本。
🌍 支持1000多种数字人模特和28种语言，满足全球市场需求。
🎥 灵活高效的产品展示模式，商家可随时更换产品，提升推广效率。
详情链接:https://www.topview.ai/ai-product-avatar
8、英伟达400万美投资 MetAI 几分钟将CAD文件转为3D世界
Nvidia最近对初创公司MetAI进行了400万美元的种子轮融资，旨在推动AI数字双胞胎技术的发展。MetAI专注于利用AI和3D技术迅速将CAD文件转换为功能性3D环境，大幅缩短数字双胞胎的创建时间。该公司计划在2025年将总部迁至美国，并扩大研发团队，以满足日益增长的市场需求。
【AiBase提要:】
🌟 Nvidia投资400万美元于初创公司MetAI，推动AI数字双胞胎技术发展。
🤖 MetAI利用AI和3D技术将CAD文件快速转换为功能性3D环境，缩短数字双胞胎创建时间。
🚀 MetAI计划在2025年将总部迁至美国，并扩大研发团队以应对日益增长的市场需求。
9、讯飞星火4.0Turbo七大核心能力升级:数学、代码能力超GPT-4o
讯飞星火4.0Turbo的全面升级标志着科大讯飞在人工智能领域的又一重大突破。此次升级不仅在文本生成、语言理解等七大核心能力上实现了显著提升，更在数学和代码能力方面超越了GPT-4o，尤其是在复杂数学问题的处理上展现出更强的能力。
【AiBase提要:】
🔢 数学能力显著提升，超越GPT-4o，能够处理复杂数学问题。
💻 新推出的星火深度推理模型X1，拥有1750亿参数，适用于深层次数据分析。
📈 科大讯飞自2020年以来累计研发投入125亿元，支持AI技术的持续发展。
10、Gemini AI 实现视觉处理新突破:实时视频与静态图像同步分析
谷歌的Gemini AI最近在视觉处理领域取得了重要突破，能够同时处理实时视频和静态图像。这项技术通过实验性应用AnyChat展示，标志着人工智能在多流处理方面的进步。开发者可以利用Gemini的架构创建自定义平台，应用于教育、艺术等多个领域，展现出广泛的应用潜力。
【AiBase提要:】
🌟 Gemini AI实现实时视频与静态图像的同步处理，打破以往限制。
🎨 AnyChat平台展示了AI在教育、艺术等领域的广泛应用潜力。
🚀 开发者可以轻松利用Gemini的技术构建自己的视觉AI应用。
详情链接:https://huggingface.co/spaces/akhaliq/anychat
11、科大讯飞星火同传语音大模型发布:达到人类专家译员水平
科大讯飞今日发布了星火同传语音大模型，标志着国内首个具备端到端语音同传能力的大模型的问世。这一技术的推出，显著提升了翻译的流畅性和准确性，尤其在国际交流场合中表现出色。该模型支持多种语言的即时翻译，响应时间缩短至5秒以内，达到人类专家的翻译水平，预示着未来国际交流的便捷与高效。
【AiBase提要:】
🚀 星火同传语音大模型是国内首个具备端到端语音同传能力的大模型，显著提升了翻译效果。
🌍 该模型在英译中方面几乎实现无延迟，适合国际展会和旅游等场景使用。
⚡ 支持流式翻译和自适应语速调节，翻译的自然度和流畅度大幅提升，超越了国际同类技术。
12、OpenBMB发布多模态模型MiniCPM-o2.6手机也能进行视觉和语音处理
OpenBMB推出的MiniCPM-o2.6是一款具有80亿参数的多模态模型，旨在解决高计算资源需求与边缘设备兼容性之间的挑战。该模型在视觉、语音和语言处理方面表现出色，能够高效运行于智能手机和平板电脑上。通过模块化设计，MiniCPM-o2.6集成了多种强大组件，支持实时处理和多语言功能。
【AiBase提要:】
🌟 MiniCPM-o2.6是一款具有80亿参数的多模态模型，能够在边缘设备上高效运行，支持视觉、语音和语言处理。
🚀 该模型在OpenCompass基准测试中表现优异，视觉任务成绩超过GPT-4V，并具备多语言处理能力。
🛠️ MiniCPM-o2.6具备实时处理、语音克隆和情感控制等功能，适用于教育、医疗等多个行业的创新应用。
来源：站长之家